DocOCR-Eval：基于校正的 OCR 工具选择框架，无需参考事实

arXiv:2607.16203v1 公告类型：新 摘要：文档解析是视觉问答和关键信息提取等文档理解任务的基础步骤，因为它通过提取文本、视觉和布局信息将非结构化扫描图像转换为结构化表示。尽管为此目的开发了许多光学字符识别 (OCR) 引擎和多模式大语言模型 (MLLM)，但为给定文档集合选择合适的文档解析解决方案仍然具有挑战性，特别是在标签稀缺的环境中。在这项工作中，我们在跨越不同领域和语言的多个扫描文档基准上，对各种 OCR 引擎和最先进的 MLLM 的文本识别性能进行了系统评估。由于许多 OCR 引擎的上下文推理能力有限以及手动注释的高成本，我们提出了 DocOCR-Eval，这是一种用于自动 OCR 评估和选择的无注释评估框架。 DocOCR-Eval 采用三阶段校正和排名策略来近似基于注释的工具排序，而无需真实标签。我们表明，跨多个 MLLM 的聚合逐渐改善了与基于注释的排名的一致性。大量的实验进一步证明，可以在现实的、标签有限的设置中实现可靠的 OCR 工具选择，为跨不同的现实世界文档集合部署文档解析系统提供实用指导。